基于FastICA的雷达信号分选研究

时间:2022-10-20 04:29:24

基于FastICA的雷达信号分选研究

摘 要:现代战争中新体制雷达的大量涌现,电磁环境变得越来越复杂,对雷达信号分选提出了新的挑战。目前的雷达信号分选领域,多采用基于参数容差的传统分选方法,这些方法受参数误差的影响大,对PDW参数相似的雷达无法分选,已经无法适应复杂电磁环境。在对FastICA算法原理分析的基础上,重点研究了将它应用于PDW参数相近的雷达信号和参差脉冲列的分选,并进行了仿真。仿真结果表明,FastICA是建立在源信号统计独立基础上的处理,对信号相关性敏感,受参数误差的影响小,可以有效解决上述问题,为雷达信号分选提供了一种新的思路。

关键词:快速独立分量分析; 脉冲描述字; 雷达信号分选; 参差脉冲列

中图分类号:TN95文献标识码:A

文章编号:1004-373X(2010)15-0029-04

Radar Signal Sorting Based on FastICA Algorithm

SONG Qi1,YANG Cheng-zhi2,SUN Xin2

(1. Institute of Information Countermeasure, Aviation University of Air Force, Changchun 130022, China;

2. Aviation University of Air Force, Changchun 130022, China)

Abstract: The radar signal sorting faces new challenge with the complicated electromagnetic environment and generation of advanced radars in modern warfare. At present, the traditional methods based on PDW parameter threshold are adopted widely on radar signal sorting. These traditional methods which can not adapt to the complicated electromagnetic environment are affected seriously by parameter error, and can not sort radars which have similar parameters. FastICA algorithm is analyzed and chosen to blind separate radar signals which have similar parameters and stagger pulse train. The simulation results show that the algorithm based on the hypothesis of blind source separation also has good recognition effect when the parameter error exists. This method can solve the problem effectively, and provide a new way for radar signal sorting.

Keywords: FastICA; PDW; radar signal sorting; stagger pulse train

0 引 言

雷达信号的分选一直以来都是电子对抗领域的重要研究课题,直接决定了电子侦察的效果,寻找有效的分选方法一直是此课题的瓶颈。以目前现行雷达信号算法来看,如始于20世纪的序列搜索法、小盒匹配法和空间距离多参数的聚类法,建立在直方图上的CDIF,SDIF算法以及后来相应发展的变换法、平面法,这些算法无不建立在对PDW的处理之上,其中涉及的主处理更是建立在PRI参数上。

随着雷达领域技术的极大发展,各种新体制雷达大量出现并完成战略部署,这些新体制雷达使得雷达脉冲密度急剧增加,脉冲重叠数增多,脉冲参数的平稳性大大降低。传统的建立在对PDW参数分析基础上的分选算法受参数误差影响大,对PDW参数相似的信号无法分选,已经无法适应复杂电磁环境。

近年来,盲源分离理论因其不需对未知源信号做任何先验假设的特点,发展迅速,已成为信号处理研究领域的热点之一。文献[1]研究了基于自然梯度算法的动态神经网路分类器,很好地解决了脉冲雷达信号并非同时到达的问题,但针对梯度计算的神经网络方法存在收敛速度慢和学习率选择不当会破坏收敛的问题;文献[2]建立了一种针对非平稳信号的Wigner-Ville分布模型,并结合了联合对角化的方法对雷达信号分选进行了探究,进一步扩展了盲信号分离对雷达信号分选的应用,但其同样面临着收敛速度的问题。文献[3]使用了能够快速分离信号的FastICA算法,丰富了雷达信号分选领域,但它的分析是针对不同脉内调制的信号分选,对于分选中常遇到的问题,没有进行探索。本文试图使用FastICA算法快速分选常规分选方法难以分选的脉内调制相同的近似雷达参数信号和参差雷达信号。

1 盲信号处理原理

1.1 模型的数学描述

设S为源信号列向量;A为混合矩阵,则接收阵列的混合信号向量:

X=AS+N

(1)

式中:N为噪声向量。

在认为不存在噪声或噪声在进行盲分离之前通过其他方法降低到可以忽略的程度时,盲分离就是指在源波形未知,并且混合系数aij也未知的情况下仅仅根据传感器所接受的混合信号x(t)对源信号向量s(t)或混合矩阵A进行估计[4]。其任务就是寻找一个分离矩阵W,使得公式:

Y=WX=WAS=CS

(2)

中的混合-分离矩阵C为一个广义分划矩阵,或者更理想地为一个广义排列矩阵。

1.2 FastICA算法

在对ICA的估计中,常用的算法通常基于峭度或者是基于负熵。对于前者而言,利用峭度度量非高斯性,通过变换使峭度最大化就是最简单的ICA估计方法[4]。但这种方法对数值要求严格,样本中某个不适当的值都会使其变得很大,因此峭度不是鲁棒度量。

对于后者而言,基于梯度计算的负熵最大化方法的主要优点是利用神经网络进行学习,使其在变化的环境中能快速地自适应。但是该方法的收敛速度较慢,而且取决于学习率选择得适当与否。如果学习率选得不合适,甚至会破环收敛。因此,需要寻找更快、更可靠的学习算法。一种称之为FastICA的定点迭代算法就是这样一种选择。

负熵的定义式为:

J(x)=H(xgauss)-H(x)

(3)

由于公式中涉及的概率密度函数的未知性,常用对其进行近似广义化:

J(x)≈k1(E(G1(x)))2+k2(E(G2(x)))-E(G2(v))2

(4)

式中:v是零均值单位方差的高斯变量;变量x也可假设为具有零均值和单位方差;G1,G2为非二次函数,常用的形式有:

G1(x)=1a1lg(cosh a1x)

(5)

G2(x)=-exp(-x2/2)

(6)

简单理解为FastICA算法便是通过变换使负熵最大化,通过牛顿迭代运算,推得权向量W为:

WE(xG(WTx))-E(G′(WTx))W

(7)

在盲信号的处理中,绝大多数的情况下都会假设信号源的各个分量的初始情况,因而需要对信号进行预处理,常用的预处理包括零均值化和白化。零均值化即在分离前预先去掉信号的均值。信号的白话处理即去除各个分量之间的相关性,即通过对变量Xб欢ǖ南咝员浠:

=TX

(8)

使得变换后随机变量的相关矩阵满足R=I。

具体过程如下:

(1)白化数据,给出x;

(2)选取随机权向量WУ某跏贾;

(3)选取非二次函数G,令:

WE(xG(WTx))-E(G′(WTx))W

(4)循环迭代,直至收敛为止。

2 仿真实验

2.1 算法仿真

仿真1:本仿真的源信号1为二参差雷达信号,信号源2与信号1载频RF相同、重复间隔PRI相同,但脉宽PW不同,信号源3与信号1脉宽相同、PRI相同但RF不同。

仿真中对于输出的波形采用均值平滑处理,本仿真旨在低脉冲重叠率下进行,进行部分PDW参数相同的不同雷达信号分选,图1为仿真图像。

图1 RF,PRI,PW参数部分相同时的仿真

仿真2:本仿真的源信号1为二参差雷达信号,信号源2为固定载频的常规体制雷达信号,信号源3为连续波雷达信号。

仿真中对于输出的波形同样采用均值平滑处理,本仿真旨在进行高脉冲重叠率下的分选,图2为仿真图像。

图2 脉冲混叠时的仿真

仿真3:本仿真的源信号1为二参差信号,┰葱藕2为另一组二参差信号,它们的PRI,RF和PW均相同,源信号3为一固定载频和脉宽的常规体制雷达,它的PRI,RF和PW与源信号1和源信号2均相同,图3为仿真图像。

2.2 仿真结果分析

通过以上3组仿真模拟,可以得出以下结论:

(1) 盲信号分离可以解决PDW参数相似的雷达信号分选。传统的参数分选方法在处理如仿真1中的3个源信号时,无论是依靠RF,PW,还是PRI,都无法将它们完全分开,并且无法识别参差信号。盲信号分选则可以成功分选以上信号,并且可以将参差信号成功识别。

(2) 盲信号分离可对混叠信号的分选。因为它是基于源信号统计独立性的分离,而传统分选方法是基于容差的参数分选,在参数误差大,甚至混叠改变的情况下,分选精度大大降低,甚至不能分选。

图3 PRI,RF,PW相同的参差雷达分选的仿真

(3) 盲信号分离对参差雷达信号分选效果好。在对常见的参差信号分选时,盲信号处理可以成功地将不同组的参差信号分离,甚至是PDW参数完全相同的信号,且无需做相关性检验。传统信号分选方法对于参差信号的分选常常出现增批和漏批现象,往往要对参差信号的相关性进行判定,既存在误差又耗费时间。

(4) 采样点数影响分离效果。采样点数越多,盲信号分离的效果越好,在信号分离精确度不好时,可以尝试更高的采样点数。

通过仿真1、仿真2和仿真3,显示了在理想无噪声情况下,对于低脉冲重叠率和高脉冲重叠率下PDW参数的不同雷达信号都有很好的分选效果。输出的波形采用均值平滑处理,取得较好的显示效果。从而可以看出,盲信号处理在雷达信号的处理领域具有较高的研究价值。

3 结 语

基于FastICA的雷达信号分选算法受参数误差影响小,识别精度高。基于源信号独立性的分离原理,使其对信号的相关性敏感,为解决雷达信号混叠问题提供了一定的思路。

本文对于雷达信号的盲信号处理中,虽然取得了预期的效果,但其建立在较为理想的条件下,对于以后的工作,还有以下几点值得深入:

(1) 本文所述的盲信号处理,建立的条件是传感器的数目不小于源信号数目,在后期的研究中,需要进一步建立盲信号处理欠定模型,完成接收机数目小于源信号数目的盲分离。

(2) 本文对噪声的研究较少,雷达信号的盲处理中还需在存在噪声的情况下,深入研究非线性的混合盲分离。

参考文献

[1]王晓燕,韩俊宁,楼顺天.基于盲信源分离技术的雷达信号分选研究[J].电子对抗,2005(5):6-8.

[2]钟兆根,张立民,武恒州.多传感器雷达侦察信号分选新方法研究[J].传感技术学报,2008,21(6):994-996.

[3]李广彪,张剑云.基于负熵最大化FastICA算法的雷达信号分选[J].舰船电子对抗,2005,28(3):23-25.

[4]史习智.盲信号处理:理论与实践[M].上海:上海交通大学出版社,2008.

[5]COMON P. Independent component analysis: a new concept[J]. Signal Processing, 1994, 36(3):287-314.

[6]HYVARINEN A. Fast and robust fixed-point algorithms for independent component analysis[J]. IEEE Trans.on Signal Processing, 1999, 10(3):626-634.

[7]LEE T W, GIROLAMIM S. Independent component analysis using an extended infomax algorithm for mixed sub-Gaussian and super-Gaussian sourees[J]. Neural Networks, 2000, 13(4/5): 411-430.

[8]张念,刘天佑,李杰.FastICA算法及其在地震信号去噪中的应用[J].计算机应用研究,2009,26(4):1432-1434.

[9]郭武,朱长仁,王润生.一种改进的FastICA算法及其应用[J].计算机应用,2008,28(4):960-962.

[10]王明祥,莫玉龙.一种基于FastICA的运动目标[J].计算机工程,2004,30(3):58-59.

上一篇:基于PCNN和DSP的感兴趣区域提取系统研究与实现 下一篇:基于改进高斯核函数的雷达高分辨距离像目标识...